文章信息
- 陈嘉兴, 赵晓旭, 董怡靖, 丁路, 刘志华. 2023.
- CHEN Jia-xing, ZHAO Xiao-xu, DONG Yi-jing, DING Lu, LIU Zhi-hua. 2023.
- 水声定位系统中迭代适应点分层的声线修正算法
- Iterative adaptive points layering algorithm for sound ray correction in an underwater acoustic localization system
- 海洋科学, 47(4): 155-164
- Marine Sciences, 47(4): 155-164.
- http://dx.doi.org/10.11759/hykx20220328003
-
文章历史
- 收稿日期:2022-03-28
- 修回日期:2022-09-20
2. 河北正定师范高等专科学校, 河北 石家庄 050800;
3. 河北师范大学 计算机与网络空间安全学院, 河北 石家庄 050024
2. Zhengding Advanced Normal College of Hebei, Shijiazhuang 050800, China;
3. College of Computer and Cyber Security, Hebei Normal University, Shijiazhuang 050024, China
近年来, 海洋科学领域吸引了国内外学者的广泛关注, 人们对世界水域进行不懈的探索和开发。水声传感器网络(Underwater Acoustic Sensor Networks, UASNs)技术在对海洋的开发和国家的建设中发挥了关键作用, 为收集、组织和报告任务数据提供基本的技术支持[1]。
海洋水声环境中的目标探测技术是水中探测、测量及通信的主要手段, 也是潜艇战和反潜战的重要工具[2]。在UASNs中借助水声信号的传播时间和相位差, 可以确定目标和声源之间的距离与方位, 来实现对目标的定位与跟踪[3, 4]。然而海洋环境复杂多变, 地面无线传感网络的节点定位技术无法直接应用于UASNs。声速随着海域地理位置和测量时刻的变化而变化, 为水声传感器网络技术应用带来了一定的难度[5]。以UASNs定位问题为例, 使用恒定声速、采用欧式距离表示水声信号的传播距离, 会给斜距测量引入误差, 导致信号接收器(位置已知节点)无法准确接收信号发出源(待定位节点)发出的水声信号, 从而影响定位结果。除此之外, 由于水下介质的非均匀性, 依赖深度的声速剖面(Sound Speed Profile, SSP)随深度而改变, 水声信号在传播时易发生折射与弯曲, 此时将水声信号的传播轨迹视为声线, 这种现象称为声线弯曲[6, 7]。目前有射线模型(Bellhop)、简正波模型(Kraken)、抛物模型(Ram)可解决声线弯曲的问题, 其中射线模型计算速度更快, 在浅海区域的适用性及可行性优势更加突出[8]。因此, 本文以射线模型为理论基础, 即假设目标海域的复杂SSP可近似为由多个简单结构的声速层组成, 每个独立分层内的声速折线分布来代替整体SSP的连续变化。为此, 需要预先测量目标海域的SSP并进行完整评估, 结合真实环境进行声线修正。
LUO等[9]分析了复杂海洋环境对定位的影响, 提出一种高精度定位算法, 但未考虑声速变化带来的误差, 将声速固定为1 500 m/s。王方旗等[10]采用声速反演方法获取地层深度和平均声速的数据, 并利用回归分析方法对平均声速进行了研究。由于平均声速理论假设过于简单, 难以消除声线弯曲的影响, 会在距离观测中导致系统误差。为了降低声线弯曲导致的定位误差, 常采用对SSP分层计算和逐层累加思想进行声线修正, 然而大量的SSP数据点会导致计算量随层数增多而显著加大[11]。针对高密度SSP问题, 张志伟等[12]应用声线修正的D-P算法, 对声速数据进行压缩, 重构SSP, 当声速变化剧烈时效果不佳。冯国君等[13]对SSP进行全局的搜索, 利用最大差别确定最佳分层点, 然而距离阈值对适应点选取影响较大。杨阳等[14]提出一种改进的PSO算法进行声线修正, 对声线弯曲现象进行补偿修正, 将最小化适应度函数值下的粒子位置作为待定位节点的估计位置, 然而未结合目标海域实际的SSP简化成负梯度变化。HE等[15]考虑了具有等梯度SSP的水下目标定位与跟踪问题, 提出在分布式水声系统中, 节点按照星型拓扑结构部署进行声线修正。李昂等[16]提出基于Bellhop射线模型的水下实时声波定位的RAR算法, 对声速变化和声线轨迹进行补偿, 降低了声线弯曲的影响, 同时缩小了搜索范围, 减少了计算开销。对此, 本文针对声速变化和声线弯曲的UASNs定位系统, 将静态通信定位体制与声速变化相结合, 兼顾信号发出源与多个信号接收器的位置特征, 探究声线弯曲时目标位置与掠射角的关联性, 提出一种迭代适应点分层(Iterative Adaptive Points Layering, IAPL)的声线修正算法。利用Snell定律获取单层掠射角, 引入插值法模拟声线真实特征, 借助声线插值函数求解路径参数, 并从理论上证明了函数的存在唯一性。本文对水下介质分层效应造成的声线弯曲现象进行了声线修正处理, 保留SSP的原始特征, 确定了合理分层结构, 减少了分层数量, 为此提出IAPL算法。算法中提出精简SSP分层的8种划分原则, 进而降低声线弯曲对定位的影响。最后探究声速变化、声线弯曲的结构参数和分层数量对计算时间的影响规律, 并对IAPL算法进行了仿真验证。
1 模型搭建 1.1 水声定位系统模型如图 1所示, 设海域环境的UASNs系统由信号发出源
![]() |
图 1 UASNs定位系统示意图 Fig. 1 System diagram of underwater acoustic sensor networks |
为探究声线在某一深度的声速, 文献[17]提出了经验公式如式(1)所示:
$ \begin{aligned} c(z) & =1449.2+4.6 T_e-0.055 T_e^2+0.017 z \\ & +\left(1.39-0.012 T_e\right)\left(S_a-35\right) \end{aligned},$ | (1) |
式中: z为测量环境的水深, Te为温度, Sa为盐度。由于声线受水平方向的影响较小, 故而大部分文献将声线看成仅与
$\frac{\cos \theta_i}{c\left(z_i\right)}=k \quad(i=0,1, \cdots, N),$ | (2) |
式中: k为比例系数, θi为第i层声线方向与水平坐标x轴的夹角, 称为掠射角[23]。设信号受分层效应影响, 在S(xs, zs)和Rr(xr, zr)间弯曲传播, 将[z0, zN]等间隔分为N层, 第i层的深度zi如式(3)所示:
$z_i=z_0+i \cdot \frac{z_N-z_0}{N}.$ | (3) |
在目标海域的一个分层内, 由于信号的直达声脉冲在时间上可与界面反射声分开, 并且信号发出源或信号接收器指向性会抑制界面反射声, 因此本文不考虑障碍物折射情况。假设声线在任意深度zi处仅经过一次, 掠射角
结合式(2)求解声线在单层内的计算时间
$t_i=\frac{1}{2 g_i}\left|\ln \frac{1+\sin \theta_i}{1-\sin \theta_i}-\ln \frac{1+\sin \theta_{i+1}}{1-\sin \theta_{i+1}}\right|,$ | (4) |
$d_i=\frac{c\left(z_i\right)}{g_i \cos \theta_i}\left|\sin \theta_i-\sin \theta_{i+1}\right|,$ | (5) |
式中:
由于在水声定位系统中, 水下介质的非均匀特性造成了声线弯曲的现象, 这是造成定位误差大的主要原因。同时, SSP的分层数量也影响定位的精度和计算量。因此, 本文从声线修正入手, 提出了IAPL算法确定合理的分层结构, 降低了由于声线弯曲引起的定位误差并且提高了计算效率。
2.1 准备阶段定义1: 根据IAPL算法迭代获得的SSP新分层点, 称为适应点。
将信号发出源
$ \boldsymbol{F}^{N \times 4}=\left[\begin{array}{lll} \boldsymbol{R}_1^{N \times 4} & \boldsymbol{R}_2^{N \times 4} & \boldsymbol{R}_3^{N \times 4} \end{array}\right].$ | (6) |
为了模拟声线的真实特征, 进一步说明精简分层的适应点数量
定理1:
证明 由于声线在深度
$P(z)=a_0+a_1 z+\cdots+a_i z^i+\cdots+a_N z^N,$ | (7) |
式中:
$\left\{\begin{array}{c} 1 \cdot a_0+z_0 a_1+\cdots+z_0^N a_N=d_0^{\text {sum }}+\xi \\ 1 \cdot a_0+z_1 a_1+\cdots+z_1^N a_N=d_1^{\text {sum }}+\xi \\ \vdots \\ 1 \cdot a_0+z_N a_1+\cdots+z_N^N a_N=d_N^{\text {sum }}+\xi, \end{array}\right.$ | (8) |
式中: ξ=P(z0), 方程组式(8)的系数矩阵如式(9)所示:
$\boldsymbol{V}=\left[\begin{array}{cccc} 1 & z_0 & \cdots & z_0^N \\ 1 & z_1 & \cdots & z_1^N \\ 1 & \vdots & \ddots & \vdots \\ 1 & z_N & \cdots & z_N^N \end{array}\right]. $ | (9) |
由于
$\operatorname{det} \boldsymbol{V}=\prod\limits_{\substack{i, j=0 \\ i>j}}^N\left(z_i-z_j\right) \neq 0. $ | (10) |
因此仅存在一组满足线性方程组式(8)的解
定义2: 设
$\eta_N=\frac{\sum\limits_{i=0}^N S_{\mathrm{P} i}}{S_{\mathrm{P}}}.$ | (11) |
定理2: SSP划分层数
证明 设声线在深度[z0, zN]内存在适应点Ai, 其对应的横坐标为zi, 且
$ S_{\mathrm{P}}=\int\limits_{\mathrm{z}_0}^{\mathrm{z}_N} P(z) \mathrm{d} z>\lim\limits _{\substack{N \rightarrow \infty \\ \delta_i \rightarrow 0}} \sum\limits_{i=0}^N S_{\mathrm{P} i},$ | (12) |
式中:
设分层数N < M, 区间内面积比较如式(13)所示:
$ \lim\limits_{\substack{N \rightarrow \infty \\ \delta_i \rightarrow 0}} \sum\limits_{j=0}^N S_{\mathrm{P} j}<\lim\limits_{\substack{M \rightarrow \infty \\ \delta_i \rightarrow 0}} \sum\limits_{i=0}^M S_{\mathrm{P} i}<\int_{\mathrm{z}_0}^{z_N} P(z) \mathrm{d} z,$ | (13) |
则分层数
$\eta_N=\frac{\lim\limits_{\substack{N \rightarrow \infty \\ \delta_i \rightarrow 0}} \sum\limits_{j=0}^N S_{\mathrm{P} j}}{\int_{z_0}^{z_N} P(z) \mathrm{d} z}<\frac{\lim\limits _{\substack{M \rightarrow \infty \\ \delta_i \rightarrow 0}} \sum\limits_{i=0}^M S_{\mathrm{P} i}}{\int_{z_0}^{z_N} P(z) \mathrm{d} z}=\eta_M.$ | (14) |
综上所述, SSP划分层数
既要精简SSP以提高计算效率, 又要最大程度接近真实SSP来减小实测数据的误差, 而等间隔分层方法无法同时兼顾提高计算效率与降低定位误差。本节将通过调整深度间距δi, 进一步说明N的合理取值, 从而减少不必要的分层点。
IAPL算法的主要思想为: 根据FN×4中离散点坐标Ai[zi, P(zi)]
$\hat{\theta}_{0, N}=\arctan \left(\frac{z_N-z_0}{P\left(z_N\right)-P\left(z_0\right)}\right) .$ | (15) |
为了使
![]() |
图 2 阶段性重分层示意图 Fig. 2 Schematic of phased layering |
图 2中,
定义3: 设
$\operatorname{Group}_j=\left\{\Delta \theta_j, \Delta \theta_{j+1}\right\} .$ | (16) |
对SSP进行精简时, 迭代遍历
情形 | Groupj与μ的大小关系 | 分层原则 |
情形1 | 将等间隔分层中第j层与第j+1层合并, 保留至第 |
|
情形2 | 将等间隔分层中第j层与第j+1层合并, 保留至第j+1层作为新的适应点, 该点深度为(zj+zj+1)/2。 | |
情形3 | 将等间隔分层中第j+1层剔除, 保留第j层作为新的适应点。 | |
情形4 | 将等间隔分层中第j层剔除, 保留第j+1层作为新的适应点。 | |
情形5 | 第j层与第j+1层均保留并寻找新的适应点。迭代求解Δθ=(θj+θj+1)/2, 直到满足 |
将已确定的适应点间的梯度值更新, 用G表示, 其可以表示重新分层中任意层声线方向变化的程度, 在精简分层中可以起到预先判断的作用。然而在阶段性分层中存在遍历无法找到θj情况, 即表示借助Groupj与μ的关系无法在此段再精简细分, 此时将计算所得的
情形 | G与gi的大小关系 | 分层原则 |
情形1 | 将等间隔分层中第j层与第j+1层合并, 保留至第j层作为新的适应点。 | |
情形2 | 将等间隔分层中第j层与第j+1层均保留, 作为新的适应点。 | |
情形3 | 将等间隔分层中第j层与第m层均保留作为新的适应点。 |
遍历FN×4确定并更新所有适应点信息, 迭代直到每一个适应点满足的角差组Group j均小于阈值μ, 并且依据梯度值无需再分层, 将最终结果作为SSP的分层结果N。
IAPL算法适用于有梯度变化的实际海域情况, 减少了由于等间隔分层产生不必要的分层点, 同时提高了声速梯度变化较大时SSP的真实性, 进而减小实测数据产生的各类误差。
2.3 算法步骤步骤1: 将深度zN等间隔分成N层, 利用AoA测得声线到达Rr射出掠射角θN。
步骤2: 计算深度值
步骤3: 调用矩阵集合FN×4数据信息, 迭代遍历计算各个适应点的直线倾斜角
步骤4: 依据Group j与μ的近似程度、依据梯度值是否需再分层, Group j判定继续分层或终止退出。
3 仿真实验本文应用MATLAB平台、Argo系统的实时数据[26]进行仿真实验。
3.1 声线函数拟合为了验证IAPL算法的有效性, 本文利用2021年7月太平洋海域(0.088°N, 155.742°E)0~1 000 m实测SSP数据集进行实验, 结合式(1)得到SSP如图 3所示。由于在一定深度范围内, 声速经验公式的结果才相对准确[27], 当海水深度大于1 000 m, 温度或盐度会超出声速经验模型公式的适用范围, 因此本文将1 000 m内的环境作为目标海域。
![]() |
图 3 目标海域SSP多次拟合结果比较 Fig. 3 Comparison of multiple fitting result images of SSP in the target sea area |
在对声线进行模拟时, 使用工具Origin Pro 2017C对
$ \begin{aligned} c(z)= & 1532.57745+0.21481 z-0.00215 z^2 \\ & +5.05834 z^3 \cdot 10^{-6}-4.80059 z^4 \cdot 10^{-9} \\ & +1.6327 z^5 \cdot 10^{-12} . \end{aligned}$ | (17) |
以AoA测得射出掠射角为
由图 4可知, 同深度情况下水声信号的水平传播距离随划分层数的增加逐渐增长, 由于IAPL算法将起始点记为第0层, 信号接收点记为第N层, 而当N=0时不满足定位系统原理, 因此实际分层数量舍弃N=0的情况。整体来看, 随着N取值逐步增大至N=100, 水平传播距离控制在805~820 m之内, 产生15 m的水平波动; 计算时间从0 s开始逐步增加, 大约到1.4 s完成层数划分及水声信号的传输, 可见分层数量的增加会延长计算时间。
![]() |
图 4 不同分层数量对传播距离与计算时间的影响 Fig. 4 Effects of different layers on the horizontal propagation distance and computation time |
图 4所示, 分层数量N < 40时, 水声信号的水平传播距离在层内变化值相差较大, 进而对两点实际距离计算的影响明显, 分层数量的调整能在较大程度上对定位误差产生影响; 然而当N > 40时, 随着划分层数的增加, 每增加一层, 水平传播距离的差距逐渐减小, 同时在计算时间上仅仅相差大约0.01 s, 由图 4中右下角局部放大图可知。鉴于这种情况对定位误差的影响甚微, 但划分层数的增加, 增加了计算量, 故阈值的比较在N=40基础上进行分析。
3.2.2 阈值比较IAPL算法是在设定阈值的情况下对SSP进行重新构造, 表示划分掠射角的最小限制, 是决定适应点疏密的重要指标。因此, 找到一个合适的阈值来搜索适应点至关重要。可根据搜索迭代结果的差值与精度要求来设定。为了进一步分析不同阈值
定义4: 设Np表示SSP减小之前分层数, Na表示适应点数, 则分层精简率Simp定义如式(18)所示:
$ {\text{Simp = }}\frac{{\left| {{N_{\text{p}}} - {N_{\text{a}}}} \right|}}{{{N_{\text{p}}}}} \times 100\% , $ | (18) |
实验结果如表 3所示。
阈值 | Np/层 | Na/层 | Simp/% |
0.001 | 40 | 25 | 37.50 |
0.002 | 40 | 25 | 37.50 |
0.003 | 40 | 21 | 47.50 |
0.004 | 40 | 22 | 45.00 |
0.005 | 40 | 22 | 45.00 |
从表 3中可以看出, 随着阈值的增加, 分层精简率Simp呈现先升高再降低趋势。当阈值选择为0.003时, 原始轮廓的分层精简率接近于50%; 当阈值小于0.003时, 独立分层情况数量增加, 分层精简率不是理想的; 当阈值大于0.003时, 分层情况变化不大, 仅借助角差组不足以确定适应点, 则需要考虑原始梯度值。因此, 可根据不同的实际海域数据选取SSP的相应阈值, 本例选为0.003, 实现了算法的适应点快速分层, 大大提高了算法的计算效率。
3.2.3 SSP特征比较相比于等间隔分层方法, 适应点分层方法在分层精简率上的优势如表 4所示。从中可以看出, 不同深度目标海域SSP的分层精简率均可维持在48.04%的水平, 有效缩减了SSP的划分层数, 进而减少了定位的计算时间。
深度/m | Np/层 | Na/层 | Simp/% |
400 | 20 | 10 | 50.00 |
500 | 25 | 13 | 48.00 |
600 | 30 | 17 | 43.33 |
700 | 35 | 17 | 51.43 |
800 | 40 | 21 | 47.50 |
图 5为在不同的深度下, 运用IAPL算法对SSP进行分层的情况。由于IAPL算法精简分层数量受起始适应点与最终适应点深度差的影响, 本文以20 m深度等间隔划分为例, 将深度分别为400、600、800 m的情况分为20、30、40层, 由图 5a、5b、5c的网格线比较可知, 随着深度的增加, 网格线分布越密集, 适应点数量相应增加。通过图中的局部放大图可见, 选取不同深度的海域, 对声速剖面的精简情况各不相同, 但IAPL算法都可以达到不同程度的精简效果。相比于基于大量数据构成的海域SSP, 等间隔分层后的SSP可以大致描述原始剖面, 但该方式欠缺对真实剖面的特征考虑, 且适应点较密集, 计算时间增长。IAPL算法充分考虑海域的实际梯度变化, 增加了梯度变化波动大时的特征点, 将不必要适应点进行适当合并, 精简后的SSP适应点能够在最大程度上保留SSP的原始特征, 在贴近真实的剖面的情况下减少分层数量, 同时提高了定位的效率。
![]() |
图 5 不同深度下SSP划分图 Fig. 5 Division of SSP at different depths |
为了验证IAPL算法的定位性能, 本文将与等间隔分层方法、D-P算法[12]、ADMV[13]3种经典分层方法进行比较。如图 6所示, 随着划分层数的增加, 定位误差呈现下降趋势。相比之下, 等间隔分层的方法由于缺乏对实际剖面结构的考虑, 无法准确反映出适应点特征, 算法精度受到笼统性分层的影响, 定位误差高于D-P算法、ADMV算法和IAPL算法。D-P算法是等间隔分层的改进, 定位精度较等间隔分层方法所有提高。但对一些较复杂的SSP进行压缩时易产生自相交等错误, 阻碍部分数据压缩, 容易受测量误差的影响。ADMV算法是对D-P算法的一种改进, 从全局考虑但阈值的设定是影响适应点的重要因素。IAPL算法通过比较掠射角一次分层、通过梯度值二次确定能够对所有剖面数据进行比较, 充分考虑适应点位置。相比于ADMV算法所提的距离阈值, 本算法中的角度阈值对适应点确定的影响较小, 因此距离阈值对定位误差的影响小于ADMV算法, 相比较优。
![]() |
图 6 不同算法SSP分层数与定位误差的关系 Fig. 6 Relationships between the number of sound speed profile layering and the localization errors for different algorithms |
相应地, 如图 7所示, IAPL算法展现了计算时间的优势。可以看出, 使用适应点对SSP进行分层相比于等间隔分层方法, 计算时间明显减少, 并且平均下降可达50.27%, 所以, 本文所提算法显著提高了计算效率。
![]() |
图 7 不同深度计算时间对比与下降百分比 Fig. 7 Comparison of calculation time and percentage of decline at different depths |
本文针对水声传感器网络环境中声速误差导致的声线弯曲现象, 提出IAPL算法进行声速修正来降低声线弯曲对定位误差的影响。本文采用目标海域的实测数据, 拟合出声速高次函数来降低声速变化带来的误差, 根据分层掠射角提出了适应点分层原则计算各层水平传播距离, 从而能够最大限度消除声线弯曲和水下介质分层带来的影响。通过分析阈值与适应点分层精简率的关系, 确定符合条件的最佳阈值。在此基础上, 适应点位置最大程度模拟了SSP的真实特征, 分层数量的减少降低了计算时间, 相应地提高效率。该方法简单易实现, 信号发出源与信号接收器相互通信的次数和传输信息量少, 适合于处理存储能力有限的测量设备。IAPL算法掠射角阈值对适应点选取影响较小, 在原理上与常梯度跟踪算法的思想相吻合, 因此能够保证SSP的特征点, 可以在降低定位误差的同时明显提高了计算效率。
[1] |
姜静波, 刘庆奎, 于非, 等. 一种低功耗海洋定位信标的研制与应用[J]. 海洋科学, 2020, 44(11): 72-77. JIANG Jingbo, LIU Qingkui, YU Fei, et al. Research and development of integrated acoustic monitoring system for marine instrument test field[J]. Marine Sciences, 2020, 44(11): 72-77. |
[2] |
朱敏, 武岩波. 水声通信技术进展[J]. 中国科学院院刊, 2019, 34(3): 289-296. ZHU Min, WU Yanbo. Development of underwater acoustic communication technology[J]. Bulletin of Chinese Academy of Sciences, 2019, 34(3): 289-296. |
[3] |
李浩铭, 鄢社锋, 徐立军, 等. 基于射线声学的水下传感网络静默定位算法[J]. 电子与信息学报, 2021, 43(3): 781-787. LI Haoming, YAN Shefeng, XU Lijun, et al. A silent location algorithm for underwater sensor network based on ray acoustics[J]. Journal of Electronics & Information Technology, 2021, 43(3): 781-787. |
[4] |
赵晨, 乔钢, 周锋. 基于正交移动双水下自主潜航器的水下合作目标定位方法[J]. 电子与信息学报, 2021, 43(3): 834-841. ZHAO Chen, QIAO Gang, ZHOU Feng. Underwater cooperative target localization method based on double orthogonal moving autonomous underwater vehicles[J]. Journal of Electronics & Information Technology, 2021, 43(3): 834-841. |
[5] |
李睿. 水下无线传感网络移动节点定位及目标跟踪关键技术研究[D]. 大连: 大连理工大学, 2021. LI Rui. Research on key technologies of mobile node localization and target tracking in underwater wireless sensor network[D]. Dalian: Dalian University of Technology, 2021. |
[6] |
MRIDULA K M, AMEER P M. Localization under anchor node uncertainty for underwater acoustic sensor networks[J]. International Journal of Communication Systems, 2018, 31(2): 1-14. |
[7] |
LIU Y X, XUE S Q, QU G Q, et al. Influence of the ray elevation angle on seafloor positioning precision in the context of acoustic ray tracing algorithm[J]. Applied Ocean Research, 2020, 105: 102403. DOI:10.1016/j.apor.2020.102403 |
[8] |
肖鹏. 深海会聚区及影区声传播与声场特性研究[D]. 西安: 西北工业大学, 2017. XIAO Peng. Study on acoustic characteristics of deepwater in convergence and shadow zone[D]. Xi'an: Northwestern Polytechnical University, 2017. |
[9] |
LUO J H, YANG Z Y, WANG Z Y, et al. A mobility-assisted localization algorithm for three-dimensional large-scale UWSNs[J]. Sensors, 2020, 20(15): 4293. DOI:10.3390/s20154293 |
[10] |
王方旗, 陶常飞, 林旭波, 等. 基于高分辨率浅剖与钻孔信息对比的金州湾海底声速的统计特征[J]. 海洋学报, 2020, 42(11): 112-122. WANG Fangqi, TAO Changfei, LIN Xubo, et al. Statistical characteristics of seabed sound velocity in the Jinzhou bay based on high resolution sub-bottom profile data[J]. Haiyang Xuebao, 2020, 42(11): 112-122. |
[11] |
LIU Y X, LU X S, XUE S Q, et al. A new underwater positioning model based on average sound speed[J]. Journal of Navigation, 2021, 1-17. |
[12] |
张志伟, 暴景阳, 金山. 一种多波束测深声线跟踪自适应分层方法[J]. 海洋测绘, 2018, 38(1): 5. ZHANG Zhiwei, BAO Jingyang, JIN Shan. A self-adapting division method for ray-tracing of multibeam echosounding[J]. Hydrographic Surveying and Charting, 2018, 38(1): 5. |
[13] |
冯国君, 单志龙, 项婉. 基于最小方差的声线跟踪自适应分层算法[J]. 声学技术, 2020, 39(4): 511-516. FENG Guojun, SHAN Zhilong, XIANG Wan. An adaptive stratification algorithm for acoustic ray tracking based on minimum variance[J]. Technical Acoustics, 2020, 39(4): 511-516. |
[14] |
杨阳. 基于水下无线传感器网络的定位算法研究[D]. 成都: 电子科技大学, 2021. YANG Yang. Research on localization algorithm based on underwater wireless sensor networks[D]. Chengdu: University of Electronic Science and Technology of China, 2021. |
[15] |
HE C F, WANG Y Y, YU W B, et al. Underwater target localization and synchronization for a distributed SIMO sonar with an isogradient SSP and uncertainties in receiver locations[J]. Sensors(Basel, Switzerland), 2019, 19(9): 1-23. |
[16] |
李昂, 陈姝君, 王艳. 水下传感网络中基于BELLHOP模型的声定位算法[J]. 中国电子科学研究院学报, 2019, 14(10): 1083-1087. LI Ang, CHEN Shujun, WANG Yan. Bellhop-based real-time acoustic ranging in underwater sensor networks[J]. Journal of CAEIT, 2019, 14(10): 1083-1087. |
[17] |
邓宇. 基于水声传感器网络的定位精度优化技术研究[D]. 厦门: 厦门大学, 2018. DENG Yu. Research on optimization for positioning accuracy in underwater acoustic sensor networks[D]. Xiamen: Xiamen University, 2018. |
[18] |
朴胜春, 栗子洋, 王笑寒, 等. 深海不完整声道下反转点会聚区研究[J]. 物理学报, 2021, 70(2): 343-352. PIAO Shengchun, LI Ziyang, WANG Xiaohan, et al. Lower turning point convegence zone in deep water with an incomplete channel[J]. Acta Physica Sinica, 2021, 70(2): 343-352. |
[19] |
KAROLINA Z, ŁUKASZ M, AILEEN B, et al. Automatic identification of internal wave characteristics affecting bathymetric measurement based on multibeam echosounder water column data analysis[J]. Energies, 2021, 14(16): 4774. |
[20] |
MRIDULA K M, NAFISUR R, AMEER P M. Sound velocity profile estimation using ray tracing and nature inspired meta-heuristic algorithms in underwater sensor networks[J]. IET Communications, 2019, 13(5): 528-538. |
[21] |
胡浩. 多波束测深自适应声速改正模型和方法研究[D]. 青岛: 山东科技大学, 2019. HU Hao. Research on the model and method of multibeam bathymetry adaptive sound velocity correction[D]. Qingdao: Shandong: Shandong University of Science and Technology, 2019. |
[22] |
REHAN S, PSBLO O, MUHAMMAD A, et al. E2JSL: energy efficient joint time synchronization and localization algorithm using ray tracing model[J]. Sensors, 2020, 20(24): 7222. |
[23] |
王文博, 苏林, 王臻, 等. 利用宽带声场频率-掠射角干涉结构的深海直达声区目标深度估计方法[J]. 声学学报, 2021, 46(2): 161-170. WANG Wenbo, SU Lin, WANG Zhen, et al. A broadband source depth estimation based on frequency domain interference pattern structure of vertical array beam output in direct zone of deep sea[J]. Chinese Journal of Acoustics, 2021, 46(2): 161-170. |
[24] |
孟庆波, 王振杰, 王柏杨, 等. 一种改进的水下声学定位算法[J]. 海洋科学, 2019, 43(11): 84-90. MENG Qingbo, WANG Zhenjie, WANG Boyang, et al. An improved underwater acoustic localization algorithm[J]. Marine Sciences, 2019, 43(11): 84-90. |
[25] |
MYKHAILO K, LOTHAR R, SHIYANOVSKII S V. Fast factorization of rectangular vandermonde matrices with chebyshev nodes[J]. Numerical Algorithms, 2018, 81(2): 547-559. |
[26] |
CHEN C, YAN F G, GAO Y, et al. Improving reconstruction of sound speed profiles using a self-organizing map method with multi-source observations[J]. Remote Sensing Letters, 2020, 11(6): 572-580. |
[27] |
王子蘅, 王振杰, 聂志喜, 等. 声速剖面EOF重构的实测数据采样深度研究[J]. 海洋科学, 2021, 45(6): 126-134. WANG Ziheng, WANG Zhenjie, NIE Zhixi, et al. Research on the sampling depth in the EOF reconstruction of the sound speed profile[J]. Marine Sciences, 2021, 45(6): 126-134. |